코스 개요
4단계 개인화 스택
1단계 | Knows – 규칙(Rules) 및 AGENTS.md
다루는 주제:
• 프로젝트 관례와 코딩 표준 정의
• 아키텍처 및 기술적 제약 사항 문서화
• 도구 독립적인 프로젝트 가이드라인 생성
• 개발 팀 전반과 AI 도구에 걸쳐 일관성 유지
2단계 | Can – 기술(Skills)
다루는 주제:
• 전문 지식의 재사용 가능한 단위 생성
• 필요할 때만 컨텍스트 정보 로드
• 작업 성능을 개선하면서 컨텍스트 크기 축소
• 재사용 가능한 워크플로우와 전문 지식을 포함한 라이브러리 구축
3단계 | Reaches – MCP (Model Context Protocol)
다루는 주제:
• AI 도구를 외부 시스템 및 서비스와 연결
• 저장소, 데이터베이스 및 문서 소스에 대한 접근
• AI 코딩 어시스턴트의 기능 확장
• 보안 통합 및 거버넌스 컨트롤 구현
4단계 | Acts – 에이전트(Agents)
다루는 주제:
• 자율 AI 에이전트 및 그 기능에 대한 이해
• 코드의 autonomous한 읽기, 쓰기, 테스트 및 수정
• 목표 지향적 워크플로우 및 위임된 작업 관리
• 에이전틱 시스템에 대한 감독 및_human 검토 메커니즘 구축
Day 1 | 위임 및 도구 확장
모듈 1 | 어시스턴트에서 에이전트로
다루는 주제:
• AI 어시스턴트와 자율적 에이전트의 차이점 이해
• 인라인 코드 완성 versus 에이전틱 위임
• 에이전틱 워크플로우가 개발 작업 구조화에 미치는 영향
• 에이전트에 적합한 작업 식별
• 자율적 AI 시스템과 협력하는 모범 사례
모듈 2 | 감독 없이 작동하는 위임
다루는 주제:
• AI 에이전트를 위한 효과적인 지시문 작성
• 충분한 컨텍스트 및 비즈니스 요구사항 제공
• 실행을 위한 제약 조건과 경계 정의
• 명확한 인수 기준(Acceptance Criteria) 및 성공 지표 확립
․ 품질 유지를 인간 개입 최소화
모듈 3 | 개인화 스택 및 적용 범위
다루는 주제:
• 4단계 개인화 스택 이해
• 프로젝트 관례 정의를 위한 규칙(Rules) 및 AGENTS.md 사용
• 다양한 시나리오에 적용되는 개인화 메커니즘 판단
• 도구 및 프로젝트 전반에서 효율적인 컨텍스트 관리
• 일관된 AI 보조 개발 환경 조성
모듈 4 | 기술(Skills) 및 하위 에이전트(Subagents)
다루는 주제:
• 일반적인 워크플로우와 작업을 위한 재사용 가능한 Skills 생성
• 반복 사용을 위해 전문 지식 패키징
• 하위 에이전트 및 격리된 컨텍스트의 역할 이해
• 경계가 명확한 작업을 전문화된 에이전트에 위임
• 모듈형 AI 워크플로우를 통한 효율성 향상
Day 2 | 도구 연결, 병렬 처리 및 거버넌스
모듈 5 | MCP: 연결 및 생성
다루는 주제:
• Model Context Protocol (MCP)의 원리 이해
• AI 도구를 외부 시스템 및 서비스와 연결
• 브라우저, 데이터베이스, 저장소 및 문서 소스 통합
• 커스텀 MCP 서버 생성
• 액세스 제어 및 보안 고려 사항 관리
모듈 6 | 규칙 기반 에이전틱 워크플로우
다루는 주제:
• 재현 가능한 AI 보조 개발 프로세스 확립
• AI 에이전트와의 브레인스토밍 및 기획
․ 솔루션의 공동 구축 및 구현
• 생성된 결과물의 테스트 및 검증
• 적절한 검증 단계를 통해 결과물 검토 및 최종 확정
모듈 7 | 병렬 개발
다루는 주제:
• 여러 AI 에이전트를 동시에 실행
• 격리된 브랜치 및 Git worktrees 활용
• 병렬 워크플로우 간 개발 활동 조정
• 여러 에이전트의 결과물 병합 및 검증
• 병렬 실행 전략을 통한 생산성 향상
모듈 8 | 위험, 검토 및 거버넌스
다루는 주제:
• 외부 Skills 및 MCP 서버의 평가 및 검수
• 보안 및 거버넌스 위험 이해
• 권한 및 액세스권 관리
• 민감한 데이터 및 지식 재산 보호
․ 검토 프로세스 및 품질 보증 관행 확립
모듈 9 | 소프트웨어 개발 내 AI 도입: 사용 사례 및 다음 단계
다루는 주제:
• 조직이 소프트웨어 개발 수명주기(SDLC)에 AI를 통합하는 방법
• 다양한 산업에서의 실제 사용 사례 및 구현 예시
• 일반적인 AI 도입 접근 방식: 개인 도입, 팀 기반 도입, 조직 전체 활성화
• SDLC 전반의 일반적인 사용 사례:
• 요구사항 수집 및 문서화
• 코드 생성 및 프로토타이핑
• 테스트 및 품질 보증
• 코드 검토 및 리팩토링
• 문서화 및 지식 관리
• DevOps 및 인시던트 관리
• 거버넌스 모델, 정책 및 보안 고려 사항
• AI 보조 개발의 생산성 및 투자 대비 효과(ROI) 측정
• 조직 내 AI 도입 로드맵 구축
• 참가자와 해당 팀을 위한 실용적인 다음 단계 정의
대화형 토론 워크숍
• 참가자 개발 팀의 현재 과제
• 즉시 도입이 가능한 고부가가치 사용 사례 식별
• 위험, 장애 요인 및 조직적 고려 사항
․ AI 통합을 위한 초기 행동 계획 수립
요건
프로페셔널 개발 경험, 터미널 환경에서의 편안한 작업 능력, 그리고 Git의 실무적 이해가 필요합니다. AI 코딩 도구의 정기적 사용 또는 'Foundations' 과정의 이수가 요구됩니다.
대상
이미 AI 도구를 사용하고 있는 개발자, 팀 내 AI 도입을 담당하는 기술 리더(Technical Leads), 그리고 Skills와 MCP 서버를 구축하는 플랫폼 또는 DevOps 엔지니어입니다.
회원 평가 (2)
Claude Code를 더 효율적으로 사용하는 방법
Virgil Trif - Frequentis
코스 - Claude Code: Agentic AI Development · 1-Day
기계 번역됨
"이 도구의 잠재력을 이해하고, 업무에 바로 활용할 수 있을 만큼 충분한 스킬을 습득했습니다."
Angelo Moro
코스 - Claude AI for Developers: Building AI-Powered Applications
기계 번역됨